[發明專利]基于HMM算法的行人過馬路的預測方法和系統在審
| 申請號： | 201810861624.0 | 申請日： | 2018-08-01 |
| 公開（公告）號： | CN109063642A | 公開（公告）日： | 2018-12-21 |
| 發明（設計）人： | 黃文愷;陳杰勇;黃俊鋒;余偉霖;王冬;陳朝政;吳羽 | 申請（專利權）人： | 廣州大學 |
| 主分類號： | G06K9/00 | 分類號： | G06K9/00;G06K9/62 |
| 代理公司： | 廣州市華學知識產權代理有限公司 44245 | 代理人： | 陳宏升;黃磊 |
| 地址： | 510006 廣東省廣*** | 國省代碼： | 廣東;44 |
| 權利要求書： | 查看更多 | 說明書： | 查看更多 |
| 摘要： | |||
| 搜索關鍵詞： | 過馬路 算法 揚聲器 預測 采集裝置 車輛周圍 道路數據 道路信息 控制信號 歷史數據 模型判斷 輸出控制 預測結果 預先存儲 警示 學習 警報 采集 檢測 應用 | ||
1.基于HMM算法的行人過馬路的預測方法，其特征在于，包括：
接收采集裝置采集的當前數據；
根據所述當前數據和預先存儲的歷史數據基于HMM算法建立深度學習模型；
通過所述深度學習模型判斷出前方有行人過馬路；
輸出控制信號至揚聲器；
揚聲器根據所述控制信號發出警報，以警示駕駛員。
2.根據權利要求1所述的基于HMM算法的行人過馬路的預測方法，其特征在于，所述根據所述當前數據和預先存儲的歷史數據基于HMM算法建立深度學習模型包括：
根據所述歷史數據運用HMM算法逐層建立深度學習模型；
修正所述深度學習模型；
將所述當前數據同步至所述深度學習模型。
3.根據權利要求2所述的基于HMM算法的行人過馬路的預測方法，其特征在于，所述根據所述歷史數據運用HMM算法逐層建立深度學習模型包括：
將所述歷史數據劃分成固定長度的訓練樣本；
將所述歷史數據進行特征提?。?/p>
使用訓練樣本對分類器進行訓練；
根據給定的隨機參數和所述訓練樣本運用Baum-Welch算法，得出最佳HMM參數，建立出深度學習模型。
4.根據權利要求3所述的基于HMM算法的行人過馬路的預測方法，其特征在于，所述將所述歷史數據劃分成固定長度的訓練樣本之前還包括：
對所述歷史數據進行濾波去噪聲處理。
5.根據權利要求1-4任意一項的所述的基于HMM算法的行人過馬路的預測方法，其特征在于，所述裝置采集為攝像頭，所述當前數據包括：行人在過馬路前的當前行為數據和當前道路數據，所述歷史數據包括：行人在過馬路前的歷史行為數據和歷史道路數據。
6.基于HMM算法的行人過馬路的預測系統，其特征在于，包括：采集設備、預測裝置和揚聲器；
所述采集設備，用于采集行人的當前數據；并將所述當前數據發送到所述預測裝置；
所述預測裝置，包括數據庫，用于根據所述當前數據和預先存儲的歷史數據基于HMM算法建立深度學習模型；通過所述深度學習模型判斷出前方有行人過馬路；并輸出控制信號至揚聲器；
所述數據庫；用于存儲行人在過馬路前的歷史數據；
所述揚聲器，用于根據所述控制信號發出警報，以警示駕駛員。
7.根據權利要求6所述的基于HMM算法的行人過馬路的預測系統，其特征在于，所述預測裝置包括：模型建立單元、模型修正單元和數據同步單元；
所述模型建立單元，用于根據所述歷史數據運用HMM算法逐層建立深度學習模型；
所述模型修正單元，用于修正所述深度學習模型；
所述數據同步單元，用于將所述當前數據同步至所述深度學習模型。
8.根據權利要求7所述的基于HMM算法的行人過馬路的預測系統，其特征在于，所述模型建立單元，還用于將所述歷史數據劃分成固定長度的訓練樣本；
將所述歷史數據進行特征提??；
使用訓練樣本對分類器進行訓練；
根據給定的隨機參數和所述訓練樣本運用Baum-Welch算法，得出最佳HMM參數，建立出深度學習模型。
9.根據權利要求8所述的基于HMM算法的行人過馬路的預測系統，其特征在于，所述預測裝置還包括：數據處理單元；
所述數據處理單元，用于對所述歷史數據進行濾波去噪聲處理。
10.根據權利要求6所述的基于HMM算法的行人過馬路的預測系統，其特征在于，所述裝置采集為攝像頭，所述當前數據包括：行人在過馬路前的當前行為數據和當前道路數據，所述歷史數據包括：行人在過馬路前的歷史行為數據和歷史道路數據。
該專利技術資料僅供研究查看技術是否侵權等信息，商用須獲得專利權人授權。該專利全部權利屬于廣州大學，未經廣州大學許可，擅自商用是侵權行為。如果您想購買此專利、獲得商業授權和技術合作，請聯系【客服】
本文鏈接：http://www.szxzyx.cn/pat/books/201810861624.0/1.html，轉載請聲明來源鉆瓜專利網。
